《python源码剖析》笔记 pythonm内存管理机制_pythoon 内存模型

本文为senlie原创，转载请保留此地址：http://blog.csdn.net/zhengsenlie

1.内存管理架构
Python的内存管理机制都有两套实现：debug模式和release模式
Python内存管理机制的层次结构：

第0层是操作系统提供的内存管理接口，如malloc、free


第1层是Python基于第0层操作系统的内存管理接口包装而成的，主要是为了处理与平台相关的内存分配行为。
实现是一组以PyMem_为前缀的函数族
两套接口：函数和宏。
宏，可以避免函数调用的开销，提高效率，但可能与新版本的python产生二进制不兼容，如果用C来编写Python的
扩展模块，使用函数接口是一个良好的编程习惯
第2层 以PyObje_为前缀的函数族，主要提供创建Python对象的接口。包括了gc内存管理机制
第3层 对象缓冲池机制


2.小块空间的内存池
Pymalloc机制：内存池机制，管理对小块内存的申请和释放，通过PyObject_Malloc、PyObject_Realloc、PyObject_Free
三个接口显示给Python
整个小块内存的内存池可以视为一个层次结构，分为4层，从下至上分别是：block,pool,arena和内存池


Block
所有block的长度都是8字节对齐的(ALIGNMENT)
SMALL_REQUEST_THRESHOLD:当申请的内存小于这个值时，Python可以使用不同种类的block来满足对内存
的需求；当申请的内存大小超过这个上限，转交请求给第一层内存管理机制。
根据 SMALL_REQUEST_THRESHOLD和 ALIGNMENT的限定，可以得到以下结论：
图

//从size class index转换到size class
#define INDEX2SIZE(I) (((uint)(I) + 1) << ALIGNMENT_SHIFT)
//从size class到size class index
size = (uint )(nbytes - 1) >> ALIGNMENT_SHIFT; 

Pool
一个pool管理着一堆有固定大小的内存块(block)，这些block的大小都是一样的。
一个pool的大小通常是一个系统内存页，由于当前大多数Python支持的系统的内存页都是4KB，
所以Python内部也将一个pool的大小定义为4KB，这个大小包括pool_header和pool管理的blocks

typedef uchar block;
 
struct pool_header{
	union{ block *_padding;
		uint count;} ref; //count表示已经分配的block数目
	block *freeblock; //指向下一个可用 block
	struct pool_header *nextpool; //链接下一个pool
	struct pool_header *prevpool; //链接上一个pool
	uint arenaindex; 
	uint szidx; //block 大小的index
	uint nextoffset; //指向 freeblock之后的下一个可用的block
	uint maxnextoffset; //指向了pool中最后一个可用的block距pool开始位置的偏移
};

将4KB的内存发行为一个管理32字节block的pool，并从中取出第一块block

#define ROUNDUP(x) (((x) + ALIGNMENT_MASK) & ~ALIGNMENT_MASK)
#define POOL_OVERHEAD ROUNDUP(sizeof(struct pool_header))
#define struct pool_header *poolp
#define uchar block
poolp pool;
block *bp;
//pool指向了一块4KB的内存
pool->ref.count = 1;
//设置pool的size class index
pool->szidx = size;
//将size class index转换为size，比如3转换为32字节
size = INDEX2SIZE(size);
//跳过用于pool_header的内存，并进行对齐
bp = (block *)pool + POOL_OVERHEAD;
//实际就是pool->nextoffset = POOL_OVERHEAD+size + size
pool->nextoffset = POOL_OVERHEAD + (size << 1);
pool->maxnextoffset = POOL_size - size;
pool->freeblock = bp + size;

申请内存时，pool_header中各个域的变化

if(pool != pool->nextpool){    ++pool->ref.count;
    bp = pool->freeblock;
    //...
    if(pool->nextoffset <= pool->maxnextoffset){
        //有足够的空间
        pool->freeblock = (block *) pool + pool->nextoffset;
	pool->nextoffset += INDEX2SIZE(size);
	*(block **)(pool->freeblock) = NULL; //建立离散自由block链表的关键所在
	return (void *)bp;
    }
}

自由block链表
当一个block被释放的时候

#define POOL_ADDR(P) ((poolp)((uptr)(p) & ~(uptr)POOL_SIZE_MASK))
 
void PyObject_Free(void *p){
    poolp pool;
	block *lastfree;
	poolp next, prev;
	uint size;
	
	pool = POOL_ADDR(p);
	//判断p指向的block是否属于pool
	if(Py_ADDRESS_IN_RANGE(p, pool)){
		*(block **)p = lastfree = pool->freeblock;//[1]
		pool->freeblock = (block *)p;
		//...
	}
}

Arena
一个Arena就是多个pool的集合，一个Arena的大小默认是256KB

typedef uchar block;
 
struct arena_object{
	uptr address;
	block *pool_address;
	uint nfreepools;
	uint ntotalpools;
	struct pool_header *freepools;
	struct arena_object *nextarena;
	struct arena_object *prevarena;
}

pool_header管理的内存和pool_header自身是一块连续的内存，而arena_object与其管理的内存则是分离的。


当pool_header被申请时，它所管理的block集合的内存一定也被申请了；但是当 arena_object被申请时，
它所管理的pool集合的内存则没有被申请，需要在某一时刻建立联系。
当一个arena的arena_object没有与Pool集合建立联系时，这里的arena处于”未使用“状态，一旦建立了联系，
这时的arena就转换到了”可用“状态。
”未使用“的arena链表表头是unused_arena_objects，是单向链表
”可用“的arena的链表表头是usable_arenas，是双向链表

申请arena

//arenas管理着arena_object的集合
static struct arena_object *arenas = NULL;
//当前arenas中管理的 arena_object的个数
static uint maxarenas = 0;
//"未使用"的 arena_object链表
static struct arena_object *unused_arena_objects = NULL;
//”可用“ 的 arena_object链表
static struct arena_object *usable_arenas = NULL;
//初始化时需主持 arena_object的个数
#define INITIAL_ARENA_OBJECTS 16
 
 
static struct arena_object *new_arena(void){
	struct arena_object *arenaobj;
	uint excess;
	
	//[1]：判断是否需要扩充”未使用“的 arena_object列表
	if(unused_arena_objects == NULL){
		uint i;
		uint numarenas;
		size_t nbytes;
		
		//[2]：确定本次需要申请的 arena_object的个数，并申请内存
		numarenas = maxarenas ? maxarenas << 1 : INITIAL_ARENA_OBJECTS;
		if(numarenas <= maxarenas)
			return NULL; //溢出
		nbytes = numarenas * sizeof(*arenas);
		if(nbytes / sizeof(*arenas) != numarenas)
			return NULL; //溢出
		arenaobj = (struct arena_object *)realloc(arenas, nbytes);
		if(arenaobj == NULL)
			return NULL;
		arenas = arenaobj;
		
		//[3]：初始化新申请的 arena_object，并将其放入 unused_arena_objects链表中
		for(i = maxarrenas; i < numarenas; ++i){
			arenas[i].address = 0; //mark as unassociated
			arenas[i].nextarena = i < numarenas - 1 ? &arenas[i + 1] : NULL;
		}
		//update globals
		unused_arena_objects = &arenas[maxarenas];
		maxarenas = numarenas;
	}
	
	//[4]:从 unused_arena_objects 链表中取出一个“未使用”的arena_object
	arenaobj = unused_arena_objects;
	unused_arena_objects = arenaobj->nextarena;
	assert(arenaobj->address == 0);
	
	//[5]：申请arena_object管理的内存
	arenaobj->address = (uptr)malloc(ARENA_SIZE);
	++narenas_currently_allocated;
	
	//[6]：设置pool集合的相关信息
	arenaobj->freepools = NULL;
	arenaobj->pool_address = (block *)arenaobj->address;
	arenaobj->nfreepools = ARENA_SIZE / POOL_SIZE;
	//将pool的起始地址调整为系统页的边界
	excess = (uint)(arenaobj->address & POOL_SIZE_MASK);
	if(excess != 0){
		--arenaobj->nfreepools;
		arenaobj->pool_address += POOL_SIZE - excess;
	}
	arenaobj->ntotalpools = arenaobj->nfreepools;
	return arenaobj;
	
}

内存池
Python内部默认的小块内存与大块内存的分界点控制在256个字节（SMALL_REQUEST_THREADHOLD）。
当申请的内存小于256字节时，PyObject_Malloc会在内存池中申请内存；当申请的内存大于256字节时，
PyObject_Malloc的行为将蜕化为malloc的行为。
当Python申请内存时，最基本的操作单元是pool，因为pool的pool_head里有个szidx，表示block的大小。
一个pool在python运行的任何一个时刻，总处于以下三种状态的一种：
used状态、full状态、empty状态
处于used状态的pool被置于usedpools的控制之下。

//todo


3.循环引用的垃圾收集
Python 使用引用计数进行垃圾回收
优点：实时性，任何内存，一旦没有指向它的引用，就会立即被回收。为了与引用计数机制搭配，在内存的分配与释放上获得最高的效率，
Python设计了大量内存池机制。
缺点：循环引用，使得一组对象的引用计数都不为0。-->解决方法：标记-清除，分代收集

三色标记模型
1.寻找root object(全局引用或函数栈中的引用)的集合
2.垃圾检测：从root object 集合出发，沿着root object 集合中的每一个引用，如果能到达某个对象A，则A称为可达的
3.垃圾回收：保留可达对象，删除不可达对象


4.Python中的垃圾收集
Python的主要内存管理手段是引用计数机制，为打破循环引用引入了“标记-清除”和“分代收集”
只有container才可能产生循环引用，将创建的container记录在双向链表中
普通Python对象：PyObject_HEAD + 自身数据
 container对象：PyGc_Head + PyObject_HEAD + 自身数据
一个container对象想要成为一个可心仪的对象，必须加入PyGc_Head信息

typedef union _gc_head{
	struct{
		union _gc_head *gc_next;
		union _gc_head *gc_prev;
		int gc_refs;
	} gc;
	long double dummy;
} PyGc_Head;

在创建某个container的最后一步，将这个对象链接到链表中

PyObject *PyDict_New(void){
	register dictobject *mp;
	//...
	mp = PyObject_GC_New(dictobject, &PyDict_Type);
	//...
	_PyObject_GC_TRACK(mp);//将创建的container对象链接到了Python中的可收集对象链表中。
	return (PyObject *)mp;
} 

#define _PyObject_GC_TRACK(0) do { \
	PyGc_Head *g = _Py_AS_GC(0); \
	if(g->gc.gc_refs != _PyObject_GC_UNTRACKED) \
		Py_FatalError("GC object already tracked"); \
	g->gc.gc_refs = _PyGC_REFS_REACHABLE; \
	g->gc.gc_next = _PyGC_generations0;
	g->gc.gc_prev = _PyGC_generations0->gc.gc_prev; \
	g->gc.gc_prev->gc.gc_prev = g;
	_PyGC_generations0->gc.gc_prev = g;\
	} while(0); 
 
 
#define _PyObject_GC_UNTRACK(0) do{
	//...
}

struct gc_generation{
	PyGc_Head head;
	int threshold; //最多可容纳的container对象，超出这个值会立刻触发垃圾回收机制
	int count; //已经链接的container对象数目
}

Python中的标记-清除方法
在开始垃圾收集之前，Python会将“年轻”的代的内存链表整个地链接到count值越界的最“老”一代的内存链表之后。

例子

1.寻找Root Object集合
root object: 有可收集对象链表外部的某个引用在引用这个对象。图16-16中只有list1属于root object
引用计数副本--> PyGc_Head中的gc.gc_refs
利用PyGc_Head中的gc.gc_refs完成循环引用对象间环的摘除-->遍历container对象中的每一个引用，将它的引用计数减1
循环引用摘除后，PyGC_Head.gc.gc_refs不为0的container对象就是root object集合

2.垃圾标记
两个链表
root 链表：root object和被root object直接或间接引用的对象
unreachable链表：垃圾对象

3.垃圾收集
在寻找root object时，引入了gc_refs来模拟打破对象间循环引用的过程，现在要对ob_refcnt操作，直到unreachable链表中的
每一个对象的ob_refcnt变为0，引发对象的销毁。

分代收集
以空间换时间：将系统中的愉根据其存活时间划分为不同的集合，每一个集合就称为一个“代”，垃圾收集的频率随着“代”的存活时间的增大
而减小，也就是说，活得超长的对象，就越可能还是垃圾，就应该越少去收集。
Python中采用三代，一个代用一个链表维护。